ارائه الگوریتم جدیدی جهت ردیابی توان در سلول‫های خورشیدی بر پایه شبکه عصبی آموزش داده شده با الگوریتم بهینه‫سازی چند نظمی

سیستم های خورشیدی برای استخراج حداکثر توان قابل تحویل به بار هنگام تغییر شرایط آب و هوایی نیازمند به تحویل ماکزیمم ولتاژ پنل خروجی خود دارند. یعنی باید اطمینان حاصل شود که نقطه بهره برداری از پنل نزدیک به مقدار حداکثر است . از این رو در این مقاله از یک روش جدید ردیابی توان استفاده شده است که برپایه ترکیب شبکه های عصبی و یک الگوریتم فراابتکاری به نام بهینه سازی چند نظمی می باشد تا بتواند  بر مشکلات روش های مرسوم ناشی از کند بودن در پاسخ گویی به تغییرات دما و تابش غلبه نماید. بنابراین سعی شده است تا با روش آموزش جدید برپایه الگوریتم فرا ابتکاری وزن های شبکه عصبی را به نحوی آموزش داد تا در صورت هر تغییری در دما و یا تابش کنترل کننده به سرعت به این تغییرات پاسخ دهد. برای نمایش دادن کارایی از روش پیشنهادی در انتها نتایج با روش های مرسوم و شبکه عصبی که وزن های آن بهینه نشده است در سناریوهای مختلف مقایسه می گردد که نشان از سرعت بالاتر  و فراهم آوردن توان بیشتری در خروجی با حداقل نوسانات خواهد بود.

a novel algorithm for tracking power in solar cells based on neural network trained with multi verse optimization algorithm

solar systems need to deliver their output panel voltage to extract the maximum power that can be delivered to the load when the weather conditions change. such energy compatibility should perform well. that is, it must be ensured that the panel's operating point is close to the maximum value. therefore, in this article, a new method of power tracking is used, which is based on the combination of neural networks and a meta-heuristic algorithm called multi-order optimization, in order to overcome the problems of conventional methods caused by being slow to respond to temperature changes. and the radiation prevails. therefore, it has been tried to train the weights of the neural network with a new training method based on the meta-heuristic algorithm so that it can quickly respond to these changes in case of any change in the temperature or the radiation of the controller. to show the efficiency of the proposed method, the results are compared with conventional methods and neural network whose weights are not optimized in different scenarios, which will show higher speed and provide more output power.